Customer Acquisition E-commerce

Online Shoppers Purchasing Intention

Portfólio Thiago Gonçalves Custódio

1. Descrição geral do problema

Customer Acquisition (ou o processo de obtenção de novos clientes) refere-se as estratégias que uma empresa pode adotar para a aquisição de novos clientes.

Neste projeto, iremos prever a Intenção de compra de usuários online baseados em atributos históricos dos usuários que já visitaram este e-commerce.

Objetivo: Utilizar a linguagem Python, para avaliar quais atributos influenciam um usuário na compra de produtos online e construir um modelo preditivo para realizar previsões de compras futuras.

1.1 Informações sobre o DataSet

A fonte de dados será o dataset público da UCI: Online Shoppers Purchasing Intention Dataset.

O conjunto de dados consiste em vetores de recursos pertencentes a 12.330 sessões online. O conjunto de dados foi formado de modo que cada sessão pertença a um usuário diferente em um período de 1 ano para evitar qualquer tendência para uma campanha específica, dia especial, usuário, perfil ou período.

O conjunto de dados consiste em 9 atributos numéricos e 9 categóricos. O atributo 'Revenue' pode ser usado como o rótulo da classe, e possui como valores True representando 'Venda' e False representando 'Não Venda'.

2. Carregando Dados

2.1 Importando bibliotecas necessárias

Começaremos nosso projeto, importando todas as bibliotecas necessárias, para a realização das fases iniciais de exploração, e transformação dos dados (Data Munging).

In [1]:
# Importando biblioteca, para ocultar Future Warnings.
import warnings
warnings.simplefilter(action = 'ignore', category = FutureWarning)

# Importando bibliotecas, para a manipulação e exploração dos conjuntos de dados.
import numpy as np
import pandas as pd

# Importando módulos utilitários para Análise Exploratória/Estatística, 
# Pré-processamento/Feature Selection e Modelagem preditiva.
import utilAnaExplor as utlex
import utilScaleTransf as utlst
import utilPcaTransf as utlpca
import utilMachineLearning as utlml

# Importando bibliotecas, para balanceamento de classes e divisão do dataset.
import imblearn
from imblearn.over_sampling import SMOTE
from sklearn.model_selection import train_test_split

# Importando bibliotecas, para a etapa de modelagem preditiva.
from sklearn.feature_selection import SelectKBest, SelectPercentile, mutual_info_classif, f_classif, RFE, chi2
from mlxtend.feature_selection import SequentialFeatureSelector as SFS
import xgboost as xgb
from sklearn.ensemble import RandomForestClassifier, ExtraTreesClassifier, AdaBoostClassifier, GradientBoostingClassifier
import xgboost as xgb
from sklearn import tree
from sklearn.svm import SVC
from sklearn.naive_bayes import GaussianNB
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import KFold, cross_val_score
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.ensemble import RandomForestClassifier, ExtraTreesClassifier, AdaBoostClassifier, GradientBoostingClassifier

# Importando classe, para fazer a busca dos melhores parâmetros, a serem utilizados em cada um dos modelos treinados.
from sklearn.model_selection import GridSearchCV

# Importando classes, para calcular as métricas de avaliação dos modelos preditivos.
from sklearn.metrics import accuracy_score, balanced_accuracy_score, average_precision_score, precision_score
from sklearn.metrics import recall_score, f1_score, roc_auc_score, cohen_kappa_score

# Versões dos pacotes usados neste jupyter notebook
%reload_ext watermark
%watermark -a "Thiago Gonçalves Custódio" --iversions

Author: Thiago Gonçalves Custódio

imblearn: 0.0
sklearn : 1.0.1
xgboost : 1.5.0
numpy   : 1.20.1
pandas  : 1.2.2

2.2 Carregando Dados

In [2]:
# Carregando dados.
dataTrain = pd.read_csv('datasets/online_shoppers_intention.csv',dtype = {'OperatingSystems': str,'Region': str,
                                                                          'SpecialDay':str,'Browser':str,
                                                                         'TrafficType':str,'Month':str, 'Weekend':str,
                                                                         'Revenue':str})
In [3]:
# Exibindo as primeiras linhas do DataFrame.
dataTrain.head()
Out[3]:
Administrative Administrative_Duration Informational Informational_Duration ProductRelated ProductRelated_Duration BounceRates ExitRates PageValues SpecialDay Month OperatingSystems Browser Region TrafficType VisitorType Weekend Revenue
0 0.0 0.0 0.0 0.0 1.0 0.000000 0.20 0.20 0.0 0 Feb 1 1 1 1 Returning_Visitor FALSE FALSE
1 0.0 0.0 0.0 0.0 2.0 64.000000 0.00 0.10 0.0 0 Feb 2 2 1 2 Returning_Visitor FALSE FALSE
2 0.0 -1.0 0.0 -1.0 1.0 -1.000000 0.20 0.20 0.0 0 Feb 4 1 9 3 Returning_Visitor FALSE FALSE
3 0.0 0.0 0.0 0.0 2.0 2.666667 0.05 0.14 0.0 0 Feb 3 2 2 4 Returning_Visitor FALSE FALSE
4 0.0 0.0 0.0 0.0 10.0 627.500000 0.02 0.05 0.0 0 Feb 3 3 1 4 Returning_Visitor TRUE FALSE

2.2.1 Dicionário de Dados
Administrativo, Duração administrativa, Informativo, Duração informativo, Duração informativo e Duração relacionada ao produto Representam o número de diferentes tipos de páginas visitadas pelo visitante nessa sessão e o tempo total gasto em cada uma dessas categorias de página. Os valores desses recursos são derivados das informações de URL das páginas visitadas pelo usuário e atualizadas em tempo real quando um usuário executa uma ação, por exemplo, passando de uma página para outra.
Taxa de rejeição, Taxa de saída e Valor da página Representam as métricas medidas pelo Google Analytics para cada página no site de comércio eletrônico.
Taxa de rejeição O valor do recurso "Taxa de rejeição" de uma página da web refere-se à porcentagem de visitantes que entram no site a partir dessa página e saem ("rejeição") sem acionar outras solicitações ao servidor durante essa sessão.
Taxa de saída O valor do recurso "Taxa de saída" para uma página da web específica é calculado como a porcentagem que foi a última na sessão, para todas as exibições de página a página.
Valor da página O recurso "Valor da página" representa o valor médio para uma página da web que um usuário visitou antes de concluir uma transação de comércio eletrônico.
Dia especial O recurso "Dia especial" indica a proximidade do horário de visita do site a um dia especial específico (por exemplo, Dia das mães, Dia dos namorados) em que as sessões têm mais probabilidade de serem finalizadas com a transação. O valor desse atributo é determinado considerando a dinâmica do comércio eletrônico, como a duração entre a data do pedido e a data de entrega. Por exemplo, no dia dos namorados, esse valor assume um valor diferente de zero entre 2 e 12 de fevereiro (dia dos namorados nos EUA e Europa), zero antes e depois dessa data, a menos que esteja próximo de outro dia especial e seu valor máximo de 1 em 8 de fevereiro.
Tipo de sistema operacional, Navegador, Região, Tipo de tráfego, Tipo de visitante O conjunto de dados também inclui o tipo de sistema operacional, navegador, região, tipo de tráfego, tipo de visitante como visitante novo ou recorrente, um valor booleano indicando se a data da visita é final de semana e mês do ano.
Revenue A variável alvo (Revenue) é booleana, com True se a sessão gerou receita e False se não gerou.

3. Data Munging - Preparando dados para a análise exploratória

3.1 Criando funções auxiliares

Iremos definir algumas funções, para facilitar a execução das etapas de Data Munging.

In [4]:
# Definindo uma função, para converter variáveis para o tipo categórico, e criar suas respectivas versões dummy.
def categoryToDummyVariables(data, columnsName):

    # Criando um dicionário vazio.
    newTypes = dict()
    
    # Criando o nome das variáveis dummy.
    newColumnsName = [n + '_dummy' for n in columnsName]

    # Definindo que cada variável especificada, deve ser convertida para o tipo de dado categórico.
    for i in range(0, len(columnsName)):
        newTypes.update({columnsName[i]: 'category'}) 

    # Convertendo o tipo de dado das variáveis especificadas.
    data = data.astype (newTypes)

    # Criando variáveis dummy.
    for i in range(0, len(columnsName)):
        data[newColumnsName[i]] = data[columnsName[i]].cat.codes

    # Retornando o DataFrame modificado.    
    return data
In [5]:
# Definindo uma função, para realizar as tarefas de Data Munging, necessárias para o conjunto de dados em análise.
def organizeData(data):      
    
    # Criando variáveis dummy para o conjunto de dados.
    data = categoryToDummyVariables(data = data, columnsName = data.select_dtypes(include = object).columns)

    # Retornando o DataFrame modificado.    
    return data

3.2 Visão geral dos dados

In [6]:
# Verificando as dimensões do dataset.
dataTrain.shape
Out[6]:
(12330, 18)

Verificamos a existência de 18 variáveis, e 12.330 observações dentro do dataset.

In [7]:
# Verificando o número de registros duplicados.
dataTrain.duplicated().sum()
Out[7]:
119

Detectamos 119 registros duplicados dentro do dataset.

In [8]:
# Eliminando os registros duplicados, do dataset.
dataTrain = dataTrain.drop_duplicates()

# Verificando o número de registros duplicados.
dataTrain.duplicated().sum()
Out[8]:
0
In [9]:
# Verificando o número de NAs existentes dentro do dataset.
dataTrain.isna().sum().sum()
Out[9]:
96

Detectamos 96 registros valor NA dentro do dataset.

In [10]:
# Eliminando os registros valor NA, do dataset .
dataTrain.dropna(axis='rows', inplace=True)

# Verificando o número de NAs existentes dentro do dataset de treino.
dataTrain.isna().sum().sum()
Out[10]:
0
In [11]:
# Verificando o tipo de dados das variáveis do dataset.
dataTrain.dtypes.value_counts()
Out[11]:
object     9
float64    9
dtype: int64

Verificamos a existência de 18 variáveis sendo 9 numéricas, e 9 variáveis categóricas dentro do dataset.

In [12]:
# Contabilizando o número de valores únicos, em cada variável do dataset de treino.
info = dataTrain.nunique().sort_values()

# Determinando o tipo de dado, de cada uma das variáveis, do dataset de treino.
info = pd.DataFrame(info.values, index = info.index, columns = ['NUniques'])

# Atribuindo informações, sobre o tipo de dado das variáveis, ao DataFrame.
info['dtypes'] = dataTrain.dtypes

# Exibindo DataFrame.
info
Out[12]:
NUniques dtypes
Revenue 2 object
Weekend 2 object
VisitorType 3 object
SpecialDay 6 object
OperatingSystems 8 object
Region 9 object
Month 10 object
Browser 13 object
Informational 17 float64
TrafficType 20 object
Administrative 27 float64
ProductRelated 311 float64
Informational_Duration 1259 float64
BounceRates 1872 float64
PageValues 2704 float64
Administrative_Duration 3336 float64
ExitRates 4777 float64
ProductRelated_Duration 9552 float64

3.3 Alterando tipos de dados das variáveis do dataset

Criaremos variáveis dummy para aquelas que forem do tipo categórico.

In [13]:
# Limpando e organizando o conjunto de dados de treino.
dataTrain = organizeData(data = dataTrain)

# Verificando o tipo de dados das variáveis do dataset.
dataTrain.dtypes.value_counts()
Out[13]:
float64     9
int8        9
category    2
category    1
category    1
category    1
category    1
category    1
category    1
category    1
dtype: int64

4. Análise exploratória dos dados

4.1 Explorando a distribuição de cada variável individualmente

4.1.1 Variável tipo de visitante

In [14]:
# Definindo o nome da variável a ser analisada.
col = 'VisitorType'

# Definindo a descrição da variável nos gráficos.
label = 'Tipo de Visitante'

# Contabilizando a frequência absoluta, de cada categoria presente na variável especificada.
dataCounts = dataTrain[col].value_counts()

# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
    data = dataCounts,
    title = 'Frequência absoluta das categorias da Feature ' + col, 
    yaxis = 'Frequência Absoluta', 
    xaxis = label
)
In [15]:
# Plotando um gráfico de pizza para a variável especificada.
utlex.plotPie (
    data  = dataCounts, 
    title = 'Frequência relativa das categorias da feature ' + col
)

Visitantes que retornaram Returning_visitor são a maioria no conjunto de dados.

4.1.2 Variável tipo de OperatingSystems

In [16]:
# Definindo o nome da variável a ser analisada.
col = 'OperatingSystems'

# Definindo a descrição da variável nos gráficos.
label = 'Tipo de Sistema Operaional'

# Contabilizando a frequência absoluta, de cada categoria presente na variável especificada.
dataCounts = dataTrain[col].value_counts()

# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
    data = dataCounts,
    title = 'Frequência absoluta das categorias da Feature ' + col, 
    yaxis = 'Frequência Absoluta', 
    xaxis = label
)
In [17]:
# Plotando um gráfico de pizza para a variável especificada.
utlex.plotPie (
    data  = dataCounts, 
    title = 'Frequência relativa das categorias da feature ' + col
)

O sistema operacional mais utilizado para acesso ao E-commerce é o que possui a label 2 com 53.6%.

4.1.3 Variável tipo de Region

In [18]:
# Definindo o nome da variável a ser analisada.
col = 'Region'

# Definindo a descrição da variável nos gráficos.
label = 'Região'

# Contabilizando a frequência absoluta, de cada categoria presente na variável especificada.
dataCounts = dataTrain[col].value_counts()

# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
    data = dataCounts,
    title = 'Frequência absoluta das categorias da Feature ' + col, 
    yaxis = 'Frequência Absoluta', 
    xaxis = label
)
In [19]:
# Plotando um gráfico de pizza para a variável especificada.
utlex.plotPie (
    data  = dataCounts, 
    title = 'Frequência relativa das categorias da feature ' + col
)

A Região mais frequente é a que possui a label 1 com 38.6%.

4.1.4 Variável tipo de Browser

In [20]:
# Definindo o nome da variável a ser analisada.
col = 'Browser'

# Definindo a descrição da variável nos gráficos.
label = 'Tipo de Browser'

# Contabilizando a frequência absoluta, de cada categoria presente na variável especificada.
dataCounts = dataTrain[col].value_counts()

# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
    data = dataCounts,
    title = 'Frequência absoluta das categorias da Feature ' + col, 
    yaxis = 'Frequência Absoluta', 
    xaxis = label
)
In [21]:
# Plotando um gráfico de pizza para a variável especificada.
utlex.plotPie (
    data  = dataCounts, 
    title = 'Frequência relativa das categorias da feature ' + col
)

O Browser mais utilizado para acesso ao E-commerce é o que possui a label 2 com 64.6%.

4.1.5 Variável tipo de TrafficType

In [22]:
# Definindo o nome da variável a ser analisada.
col = 'TrafficType'

# Definindo a descrição da variável nos gráficos.
label = 'Tipo de Tráfego'

# Contabilizando a frequência absoluta, de cada categoria presente na variável especificada.
dataCounts = dataTrain[col].value_counts()

# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
    data = dataCounts,
    title = 'Frequência absoluta das categorias da Feature ' + col, 
    yaxis = 'Frequência Absoluta', 
    xaxis = label
)
In [23]:
# Plotando um gráfico de pizza para a variável especificada.
utlex.plotPie (
    data  = dataCounts, 
    title = 'Frequência relativa das categorias da feature ' + col
)

O tipo de tráfego mais frequente é o que possui a label 2 com 32%.

4.2 Explorando a distribuição de cada Feature a partir da variável Target

4.2.1 Variável VisitorType

In [24]:
# Definindo o nome da variável a ser analisada.
col = 'VisitorType'

# Definindo o nome da variável Target.
target = 'Revenue'

# Definindo a descrição da variável nos gráficos.
label = 'Tipo de Visitante'

# Capturando variáveis especificadas do Dataset.
data = dataTrain[[col, target]]

# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1

# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()

# Reorganizando DataFrame. 
data = data.reset_index()

# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
    data   = data,
    col    = col,
    target = target,
    title  = 'Receita dos clientes por ' + label,
    yaxis  = 'Frequência Absoluta',
    xaxis  = label, 
    kind   = 'groups'
)

O tipo de visitante Returning_Visitor é o que apresenta maior quantidade de clientes que geraram Receita no E-commerce.

4.2.2 Variável OperatingSystems

In [25]:
# Definindo o nome da variável a ser analisada.
col = 'OperatingSystems'

# Definindo o nome da variável Target.
target = 'Revenue'

# Definindo a descrição da variável nos gráficos.
label = 'Tipo de Sistema Operacional'

# Capturando variáveis especificadas do Dataset.
data = dataTrain[[col, target]]

# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1

# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()

# Reorganizando DataFrame. 
data = data.reset_index()

# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
    data   = data,
    col    = col,
    target = target,
    title  = 'Receita dos clientes por ' + label,
    yaxis  = 'Frequência Absoluta',
    xaxis  = label, 
    kind   = 'groups'
)

O Sistema Operacional com label 2 é o que apresenta maior quantidade de clientes que geraram Receita no E-commerce.

4.2.3 Variável Region

In [26]:
# Definindo o nome da variável a ser analisada.
col = 'Region'

# Definindo o nome da variável Target.
target = 'Revenue'

# Definindo a descrição da variável nos gráficos.
label = 'Região'

# Capturando variáveis especificadas do Dataset.
data = dataTrain[[col, target]]

# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1

# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()

# Reorganizando DataFrame. 
data = data.reset_index()

# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
    data   = data,
    col    = col,
    target = target,
    title  = 'Receita dos clientes por ' + label,
    yaxis  = 'Frequência Absoluta',
    xaxis  = label, 
    kind   = 'groups'
)

A Região com label 1 é a que apresenta maior quantidade de clientes que geraram Receita no E-commerce.

4.2.3 Variável Browser

In [27]:
# Definindo o nome da variável a ser analisada.
col = 'Browser'

# Definindo o nome da variável Target.
target = 'Revenue'

# Definindo a descrição da variável nos gráficos.
label = 'Tipo de Browser'

# Capturando variáveis especificadas do Dataset.
data = dataTrain[[col, target]]

# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1

# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()

# Reorganizando DataFrame. 
data = data.reset_index()

# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
    data   = data,
    col    = col,
    target = target,
    title  = 'Receita dos clientes por ' + label,
    yaxis  = 'Frequência Absoluta',
    xaxis  = label, 
    kind   = 'groups'
)

O Browser com label 2 é o que apresenta maior quantidade de clientes que geraram Receita no E-commerce.

4.2.5 Variável TrafficType

In [28]:
# Definindo o nome da variável a ser analisada.
col = 'TrafficType'

# Definindo o nome da variável Target.
target = 'Revenue'

# Definindo a descrição da variável nos gráficos.
label = 'Tipo de Trafego'

# Capturando variáveis especificadas do Dataset.
data = dataTrain[[col, target]]

# Criando uma variável count para contabilizar as ocorrências de cada registro.
data['count'] = 1

# Agrupando dados e contabilizando o número de ocorrências.
data = data.groupby(by = [target, col]).sum()

# Reorganizando DataFrame. 
data = data.reset_index()

# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
    data   = data,
    col    = col,
    target = target,
    title  = 'Receita dos clientes por ' + label,
    yaxis  = 'Frequência Absoluta',
    xaxis  = label, 
    kind   = 'groups'
)

O Tipo de Tráfego com label 2 é o que apresenta maior quantidade de clientes que geraram Receita no E-commerce.

4.3 Analisando a correlação entre as variáveis

Nesta etapa, desejamos verificar como as variáveis se correlacionam, ou seja, como uma variável ajuda a prever o valor de outra variável no dataset.

In [29]:
# Criando uma matriz de correlação.
corr = dataTrain.corr()

# Selecionando o triângulo superior da matriz de correlação.
upper = corr.abs().where(np.triu(np.ones(corr.shape), k = 1).astype(bool))

# Capturando o nome das variáveis que apresentam uma correlação maior do que 0.95.
to_drop = [column for column in upper.columns if any(upper[column] > 0.95)]

# Exibindo o nome das variáveis altamente correlacionadas.
pd.DataFrame(data = to_drop, columns = ['Highly correlated'])
Out[29]:
Highly correlated
In [30]:
# Plotando a matriz de correlação entre as variáveis do DataFrame.
utlex.plotCorr(corr)

Não detectamos a existência de variáveis altamente correlacionadas com a finalidade de serem eliminadas do conjunto de dados.

Observamos que a variável pageValues é a que apresenta a correlação mais forte com a variável a ser prevista.

4.4 Verificando balanceamento da variável target

In [31]:
# Definindo o nome da variável a ser analisada.
col = 'Revenue'

# Definindo a descrição da variável nos gráficos.
label = 'Usuários que geraram receita'

# Contabilizando a frequência absoluta, de cada categoria presente na variável especificada.
dataCounts = dataTrain[col].value_counts()

# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
    data = dataCounts,
    title = 'Frequência absoluta das categorias da Feature ' + col, 
    yaxis = 'Frequência Absoluta', 
    xaxis = label
)
In [32]:
# Plotando um gráfico de pizza para a variável especificada.
utlex.plotPie (
    data  = dataCounts, 
    title = 'Frequência relativa das categorias da feature ' + col
)

Clientes que geraram receita são apenas 15.6% do conjunto de dados, sendo assim nossa variável target está desbalanceada. Trataremos tal desvio em seguida.

5. Pré-Processamento - Modelagem Preditiva

5.1 Extraindo Features dos conjuntos de dados

In [33]:
# Eliminando as variáveis altamente correlacionadas dos conjuntos de dados de treino e de teste.
dataTrain = dataTrain.drop(to_drop, axis = 1)
In [34]:
# Capturando o nome das colunas do tipo categórico presentes no DataFrame.
categ = dataTrain.select_dtypes(['category']).columns

# Capturando as variáveis targets do conjunto de dados de treino e de teste.
trainTarget = dataTrain['Revenue_dummy']

# Eliminando as variáveis target do conjunto de dados de treino e de teste.
trainFeatures = dataTrain.drop(labels = 'Revenue_dummy', axis = 1)

# Eliminando as variáveis categóricas do conjunto de dados de treino e de teste.
trainFeatures = trainFeatures.drop(labels = categ, axis = 1)
In [35]:
# Verificando as novas dimensões do DataFrame de treino.
trainFeatures.shape
Out[35]:
(12199, 17)
In [36]:
# Verificando as novas dimensões do DataFrame de treino.
trainTarget.shape
Out[36]:
(12199,)

5.2 Balanceando variavel target

In [37]:
# Seed para reproduzir o mesmo resultado
seed = 100

# Cria o balanceador SMOTE
smote_bal = SMOTE(random_state = seed)

# Aplica o balanceador
trainFeatures_res, trainTarget_res = smote_bal.fit_resample(trainFeatures, trainTarget)
In [38]:
# Shape dos dados originais
trainFeatures.shape
Out[38]:
(12199, 17)
In [39]:
# Shape dos dados reamostrados 
trainFeatures_res.shape
Out[39]:
(20582, 17)
In [40]:
# Shape dos dados reamostrados 
trainTarget_res.shape
Out[40]:
(20582,)
In [41]:
type(trainTarget_res)
Out[41]:
pandas.core.series.Series
In [42]:
# Convertendo Serie dados reamostrados variavel target para dataframe.
df = trainTarget_res.to_frame()

# Atribuindo labels diferentes para as categorias da variável target.
df['Revenue_dummy'] = ['TRUE' if v == 1 else 'FALSE' for v in df['Revenue_dummy']]

# Alterando a variável target para o tipo de dado categórico.

df['Revenue_dummy'] = df['Revenue_dummy'].astype('category')
In [43]:
# Definindo o nome da variável a ser analisada.
col = 'Revenue_dummy'

# Definindo a descrição da variável nos gráficos.
label = 'Usuários que geraram receita'

# Contabilizando a frequência absoluta, de cada categoria presente na variável especificada.
dataCounts = df[col].value_counts()

# Plotando um gráfico de barras para a variável especificada.
utlex.plotBar (
    data = dataCounts,
    title = 'Frequência absoluta das categorias da Feature ' + col + ' após balanceamento de classe', 
    yaxis = 'Frequência Absoluta', 
    xaxis = label
)
In [44]:
# Plotando um gráfico de pizza para a variável especificada.
utlex.plotPie (
    data  = dataCounts, 
    title = 'Frequência relativa das categorias da feature ' + col + ' após balanceamento de classe'
)

Agora que nossa variável target esta balanceada podemos seguir com a divisão dos dados em treino e teste e a seleção das melhores variáveis para a modelagem preditiva.

5.3 Divisão dos Dados em Treino e Teste

In [45]:
# Divisão em Dados de Treino e Teste.
trainFeatures, testFeatures, trainTarget, testTarget = train_test_split(trainFeatures_res, trainTarget_res, test_size = 0.3, random_state = 100)

6. Feature Selection

6.1 Aplicando diferentes escalas as Features de Treino e de Teste

Nesta etapa, iremos aplicar diferentes transformações, nas variáveis preditoras dos conjuntos de dados de treino e de teste.

In [46]:
# Aplicando a transformação MinMaxScaler, as Features do conjunto de dados de treino e de teste.
trainFeaturesMM, testFeaturesMM = utlst.dataTransform (
    train     = trainFeatures,
    test      = testFeatures,
    transform = 'MM'
)
In [47]:
# Aplicando a transformação StandardScaler, as Features do conjunto de dados de treino e de teste.
trainFeaturesSS, testFeaturesSS = utlst.dataTransform (
    train     = trainFeatures,
    test      = testFeatures,
    transform = 'SS'
)
In [48]:
# Aplicando a transformação Yeo-Johnson, as Features do conjunto de dados de treino e de teste.
trainFeaturesNormDistribuition, testFeaturesNormDistribuition = utlst.dataTransform (
    train     = trainFeatures,
    test      = testFeatures,
    transform = 'ND'
)
In [49]:
# Aplicando a transformação Normalize, as Features do conjunto de dados de treino e de teste.
trainFeaturesNormalized, testFeaturesNormalized = utlst.dataTransform (
    train     = trainFeatures,
    test      = testFeatures,
    transform = 'N'
)

6.2 Aplicando técnicas de Features Selection

Aplicaremos diferentes técnicas de Feature Selection, para determinar qual é a melhor combinação de variáveis preditoras a ser utilizada.

6.2.1 SelectKBest

Este método seleciona recursos de acordo com as k pontuações mais altas.

In [50]:
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM

# Instanciando um objeto da classe SelectKBest, para selecionar as melhores variáveis preditoras.
skb = SelectKBest(chi2, k = 10)

# Capturando os scores das variáveis preditoras.
bestFeatuesSKB = skb.fit_transform(tFeatures, trainTarget)

# Capturando o nome das variáveis preditoras.
bfSkb = tFeatures.columns[skb.get_support()]

# Exibindo o nome das variáveis preditoras.
bfSkb
Out[50]:
Index(['Administrative', 'ProductRelated', 'BounceRates', 'ExitRates',
       'PageValues', 'SpecialDay_dummy', 'OperatingSystems_dummy',
       'Region_dummy', 'VisitorType_dummy', 'Weekend_dummy'],
      dtype='object')
In [51]:
# Criando um DataFrame, com os scores obtidos para cada uma das Features, segundo a técnica utilizada.
sc = pd.Series(skb.scores_, index = tFeatures.columns)

# Capturando os scores das variáveis preditoras.
sc = sc[skb.get_support()]

# Ordenando o Dataframe com os scores.
sc = sc.sort_values(ascending = False)
In [52]:
# Plotando um gráfico de barras, dos scores gerados para as features, a partir da técnica utilizada.
utlex.plotBar (
    data        = sc,
    title       = 'Scores das melhores features com o SelectKBest', 
    yaxis       = 'Features', 
    xaxis       = 'Scores',
    orientation = 'h'
)

6.2.2 Information Gain

O Information gain ou Mutual information mede quanta informação a presença / ausência de um recurso contribui para fazer a previsão correta da variável target.

In [53]:
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM

# Instanciando um objeto da classe mutual_info_classif.
bestFeatuesIG = mutual_info_classif(tFeatures, trainTarget, discrete_features = 'auto', n_neighbors = 3)

# Inserindo Scores obtidos em uma Série temporal.
scoreFeatures = pd.Series(bestFeatuesIG, index = tFeatures.columns)

# Capturando os scores das variáveis preditoras em ordem decrescente.
bfIg = scoreFeatures.sort_values(ascending = False)
In [54]:
# Plotando um gráfico de barras, dos scores gerados para as features, a partir da técnica utilizada.
utlex.plotBar (
    data        = bfIg,
    title       = 'Scores das melhores features com o Information Gain', 
    yaxis       = 'Features', 
    xaxis       = 'Scores', 
    orientation = 'h'
)
In [55]:
# Capturando o nome das variáveis preditoras.
bfIg = bfIg.index

# Exibindo o nome das variáveis preditoras.
bfIg
Out[55]:
Index(['ProductRelated', 'PageValues', 'Administrative', 'ExitRates',
       'BounceRates', 'Informational', 'Administrative_Duration',
       'TrafficType_dummy', 'ProductRelated_Duration', 'Browser_dummy',
       'Informational_Duration', 'VisitorType_dummy', 'OperatingSystems_dummy',
       'Region_dummy', 'Month_dummy', 'Weekend_dummy', 'SpecialDay_dummy'],
      dtype='object')

6.2.3 ANOVA F-value

Se os recursos forem categóricos, calcularemos uma estatística qui-quadrado entre cada recurso e a variável target. No entanto, se os recursos forem quantitativos, calcularemos a ANOVA F-Value entre cada recurso e a variável target.

As pontuações do F-Value examinam se, quando agrupamos a característica numérica pela variável target, as médias para cada grupo se tornam significativamente diferentes.

In [56]:
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM

# Instanciando um objeto da classe SelectKBest para selecionar as melhores variáveis preditoras a partir dos
# scores ANOVA F-Values.
skb = SelectKBest(f_classif, k = 13)

# Capturando as variáveis preditoras.
bestFeatuesANOVA = skb.fit_transform(tFeatures, trainTarget)

# Capturando o nome das variáveis preditoras.
bfAnova = tFeatures.columns[skb.get_support()]

# Exibindo o nome das variáveis preditoras.
bfAnova
Out[56]:
Index(['Administrative', 'Administrative_Duration', 'Informational',
       'ProductRelated', 'ProductRelated_Duration', 'BounceRates', 'ExitRates',
       'PageValues', 'SpecialDay_dummy', 'OperatingSystems_dummy',
       'Region_dummy', 'VisitorType_dummy', 'Weekend_dummy'],
      dtype='object')
In [57]:
# Criando uma Série Temporal com os scores obtidos para cada uma das Features segundo a técnica utilizada.
sc = pd.Series(skb.scores_, index = tFeatures.columns)

# Capturando os scores das variáveis preditoras.
sc = sc[skb.get_support()]

# Ordenando a Série Temporal em ordem decrescente dos scores.
sc = sc.sort_values(ascending = False)
In [58]:
# Plotando um gráfico de barras, dos scores gerados para as features, a partir da técnica utilizada.
utlex.plotBar (
    data        = sc,
    title       = 'Scores das melhores features com o ANOVA F-value', 
    yaxis       = 'Features', 
    xaxis       = 'Scores', 
    orientation = 'h'
)

6.2.4 Forward Selection

O Forward Selection é um método iterativo, no qual começamos sem ter nenhum recurso no modelo. A cada iteração, adicionamos uma variável que melhora o modelo e efetuamos este procedimento até que a performance do modelo pare de evoluir.

A seleção de recursos começa avaliando todas as variáveis individualmente, e seleciona aquela que gera o algoritmo com o melhor desempenho, de acordo com um critério de avaliação predefinido. Em seguida, se avalia todas as combinações possíveis das variáveis já selecionadas e dos recursos ainda não escolhidos para definir a combinação que produz o algoritmo com a melhor performance, com base nos mesmos critérios predefinidos.

In [59]:
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM

# Instanciando um objeto da classe SFS para selecionar as melhores variáveis preditoras segundo sua acurácia, 
# utilizando o algoritmo XGBClassifer.
sfs = SFS (
    estimator  = xgb.XGBClassifier(use_label_encoder=False,eval_metric='logloss'), 
    k_features = 10,
    forward    = True, 
    floating   = False, 
    verbose    = 2,
    scoring    = 'accuracy',
    cv         = 3
)

# Capturando as variáveis preditoras.
sfs = sfs.fit(
    X = tFeatures, 
    y = trainTarget
)

[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done   1 out of   1 | elapsed:    1.0s remaining:    0.0s
[Parallel(n_jobs=1)]: Done  17 out of  17 | elapsed:   10.4s finished

[2021-12-20 13:27:01] Features: 1/10 -- score: 0.8890819602920095[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done   1 out of   1 | elapsed:    1.1s remaining:    0.0s
[Parallel(n_jobs=1)]: Done  16 out of  16 | elapsed:   19.5s finished

[2021-12-20 13:27:20] Features: 2/10 -- score: 0.9098357559104578[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done   1 out of   1 | elapsed:    1.4s remaining:    0.0s
[Parallel(n_jobs=1)]: Done  15 out of  15 | elapsed:   19.3s finished

[2021-12-20 13:27:40] Features: 3/10 -- score: 0.9167074011340443[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done   1 out of   1 | elapsed:    1.3s remaining:    0.0s
[Parallel(n_jobs=1)]: Done  14 out of  14 | elapsed:   20.3s finished

[2021-12-20 13:28:00] Features: 4/10 -- score: 0.9201779604115607[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done   1 out of   1 | elapsed:    1.5s remaining:    0.0s
[Parallel(n_jobs=1)]: Done  13 out of  13 | elapsed:   21.1s finished

[2021-12-20 13:28:21] Features: 5/10 -- score: 0.9240646515035881[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done   1 out of   1 | elapsed:    1.4s remaining:    0.0s
[Parallel(n_jobs=1)]: Done  12 out of  12 | elapsed:   17.8s finished

[2021-12-20 13:28:39] Features: 6/10 -- score: 0.9262164025914087[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done   1 out of   1 | elapsed:    1.3s remaining:    0.0s
[Parallel(n_jobs=1)]: Done  11 out of  11 | elapsed:   15.7s finished

[2021-12-20 13:28:55] Features: 7/10 -- score: 0.9263554504220415[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done   1 out of   1 | elapsed:    1.4s remaining:    0.0s
[Parallel(n_jobs=1)]: Done  10 out of  10 | elapsed:   15.6s finished

[2021-12-20 13:29:11] Features: 8/10 -- score: 0.9271883644150977[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done   1 out of   1 | elapsed:    1.4s remaining:    0.0s
[Parallel(n_jobs=1)]: Done   9 out of   9 | elapsed:   13.3s finished

[2021-12-20 13:29:24] Features: 9/10 -- score: 0.9269109769280034[Parallel(n_jobs=1)]: Using backend SequentialBackend with 1 concurrent workers.
[Parallel(n_jobs=1)]: Done   1 out of   1 | elapsed:    1.4s remaining:    0.0s
[Parallel(n_jobs=1)]: Done   8 out of   8 | elapsed:   13.2s finished

[2021-12-20 13:29:37] Features: 10/10 -- score: 0.9273965965264952
In [60]:
# Capturando o nome das variáveis preditoras.
bfSfs = tFeatures.columns[list(sfs.k_feature_idx_)]

# Exibindo o nome das variáveis preditoras.
bfSfs
Out[60]:
Index(['Administrative', 'Informational', 'ProductRelated', 'BounceRates',
       'PageValues', 'SpecialDay_dummy', 'Month_dummy', 'TrafficType_dummy',
       'VisitorType_dummy', 'Weekend_dummy'],
      dtype='object')
In [61]:
# Capturando os resultados obtidos pela Técnica Forward Selection.
sc = pd.DataFrame(sfs.get_metric_dict())

# Capturando os scores e o nome das Features, gerados a cada busca.
sc = sc.loc[['cv_scores', 'feature_names'], :].transpose()

# Capturando o nome das features utilizadas em cada avaliação.
featureNames = sc.feature_names

# Criando índices com o número de Features utilizadas em cada avaliação.
columns = [str(i) + ' Feature' if i == 1 else str(i) + ' Features' for i in range(1, sc.shape[0] + 1)]

# Remodelando os dados do DataFrame para serem plotados.
fs = pd.DataFrame()

for i in range(1, sc.shape[0] + 1):

    # Atribui os primeiros scores ao DataFrame, caso esteja vazio.

    if sc.empty:
        fs = pd.DataFrame(sc['cv_scores'][i], columns = [columns[i - 1]])
    else:
        fs[columns[i - 1]] = sc['cv_scores'][i]
In [62]:
# Plotando os scores da acurácia, obtida pelas features selecionadas em cada fase de busca, segundo a técnica Forward Selection.
utlex.plotBoxplot (
    data   = fs,
    title  = 'Acurácia das melhores Features encontradas pelo técnica Forward Selection',
    xaxis  = 'Features selecionadas'
)
In [63]:
# Transpondo a Série Temporal.
fs = fs.transpose()

# Criando uma nova coluna, com os nomes das Features utilizadas, em cada avaliação no DataFrame.
fs['featuresNames'] = [', '.join(f) for f in featureNames]

# Exibindo o nome das features utilizadas em cada avaliação.
fs[['featuresNames']]
Out[63]:
featuresNames
1 Feature PageValues
2 Features Administrative, PageValues
3 Features Administrative, Informational, PageValues
4 Features Administrative, Informational, ProductRelated,...
5 Features Administrative, Informational, ProductRelated,...
6 Features Administrative, Informational, ProductRelated,...
7 Features Administrative, Informational, ProductRelated,...
8 Features Administrative, Informational, ProductRelated,...
9 Features Administrative, Informational, ProductRelated,...
10 Features Administrative, Informational, ProductRelated,...

6.2.5 Extra Trees Classifier

O Extremely Randomized Trees Classifier (Extra Trees Classifier) é um tipo de técnica de aprendizagem de conjunto que agrega os resultados de várias árvores de decisão descorrelacionadas coletadas em uma “floresta” para produzir seu resultado de classificação. Em conceito, é muito semelhante a um Classificador Random Forest e só difere na forma de construção das árvores de decisão na floresta.

Cada árvore de decisão na floresta de árvores extras é construída a partir da amostra de treinamento original. Então, em cada nó de teste, cada árvore é fornecida com uma amostra aleatória de k recursos do conjunto de recursos a partir do qual cada árvore de decisão deve selecionar o melhor recurso para dividir os dados com base em alguns critérios matemáticos (normalmente o índice de Gini). Essa amostra aleatória de recursos leva à criação de várias árvores de decisão não correlacionadas.

Para realizar a seleção de características usando a estrutura de floresta acima, durante a construção da floresta, para cada característica, a redução total normalizada nos critérios matemáticos usados ​​na decisão da característica de divisão (Índice de Gini se o Índice de Gini for usado na construção de floresta) é computado. Esse valor é chamado de Importância Gini do recurso. Para realizar a seleção de recursos, cada recurso é ordenado em ordem decrescente de acordo com a Importância Gini de cada recurso e o usuário seleciona os k principais recursos de acordo com sua escolha.

In [64]:
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM

# Instanciando um objeto da classe ExtraTreesClassifier.
modelETC = ExtraTreesClassifier()

# Computando os scores de cada feature.
modelETC.fit (
    X = tFeatures, 
    y = trainTarget
)

# Inserindo Scores obtidos em uma Série Temporal.
featuresImpETC = pd.Series(data = modelETC.feature_importances_, index = tFeatures.columns)

# Ordenando o nome das variáveis preditoras segundo seu score em ordem decrescente.
bfEtc = featuresImpETC.sort_values(ascending = False)
In [65]:
# Plotando um gráfico de barras, dos scores gerados para as features, a partir da técnica utilizada.
utlex.plotBar (
    data        = bfEtc, 
    title       = 'Scores das melhores features com o Extra Trees Classifier', 
    yaxis       = 'Features', 
    xaxis       = 'Scores', 
    orientation = 'h'
)
In [66]:
# Capturando o nome das variáveis preditoras.
bfEtc = bfEtc.index

# Exibindo o nome das variáveis preditoras.
bfEtc
Out[66]:
Index(['PageValues', 'ExitRates', 'VisitorType_dummy', 'BounceRates',
       'TrafficType_dummy', 'ProductRelated', 'Administrative',
       'ProductRelated_Duration', 'Month_dummy', 'Browser_dummy',
       'Region_dummy', 'Administrative_Duration', 'OperatingSystems_dummy',
       'Informational', 'Weekend_dummy', 'Informational_Duration',
       'SpecialDay_dummy'],
      dtype='object')

6.2.6 Random Forest Importance

O Random Forest, é um dos algoritmos de aprendizado de máquina mais populares. É um dos mais bem-sucedidos porque fornece, em geral, um bom desempenho preditivo, baixo overfitting e é de fácil interpretabilidade.

Essa interpretabilidade é dada pela facilidade de se derivar a importância de cada variável na árvore de decisão. Em outras palavras, é fácil calcular o quanto cada variável está contribuindo para a decisão do modelo.

O Random Forest consiste em 4-12 centenas de árvores de decisão, cada uma delas construída sobre uma extração aleatória das observações do conjunto de dados e uma extração aleatória das características. Nem toda árvore vê todas as características ou todas as observações, e isso garante que as árvores sejam descorrelacionadas e, portanto, menos sujeitas a sobreajuste. Cada árvore também é uma sequência de perguntas sim-não com base em um único recurso ou em uma combinação de recursos. Em cada nó (isto é em cada questão), os três dividem o conjunto de dados em 2 depósitos, cada um deles hospedando observações que são mais semelhantes entre si e diferentes das do outro bloco. Portanto, a importância de cada recurso é derivada do quão "puro" cada um dos blocos é.

Para classificação, a medida de impureza é a impureza de Gini ou o ganho / entropia de informação. Para regressão, a medida de impureza é a variância. Portanto, ao treinar uma árvore, é possível calcular o quanto cada recurso diminui a impureza. Quanto maior for a diminuição da impureza que um recurso gerar, mais importante ele será. Em florestas aleatórias, a diminuição da impureza de cada recurso pode ser calculada em média entre as árvores para determinar a importância final da variável.

In [67]:
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM

# Instanciando um objeto da classe RandomForestClassifier.
rfImp = RandomForestClassifier (
    n_estimators = 200,
    random_state = 0
)

# Treinando o classificador com o conjunto de dados de treino.
rfImp.fit(
    X = tFeatures, 
    y = trainTarget
)

# Prevendo os scores das features dos dados de treino.
pred = rfImp.predict(tFeatures)

# Convertendo os scores para um DataFrame.
featuresImpRf = pd.Series(data = rfImp.feature_importances_, index = tFeatures.columns)

# Capturando os scores de cada uma das features.
bfRf = featuresImpRf.nlargest(9)
In [68]:
# Plotando um gráfico de barras, dos scores gerados para as features, a partir da técnica utilizada.
utlex.plotBar (
    data        = bfRf,
    title       = 'Scores das melhores features com o Random Forest', 
    yaxis       = 'Features', 
    xaxis       = 'Scores', 
    orientation = 'h'
)
In [69]:
# Capturando o nome das variáveis preditoras.
bfRf = bfRf.index

# Exibindo o nome das variáveis preditoras.
bfRf
Out[69]:
Index(['PageValues', 'ExitRates', 'Administrative', 'ProductRelated_Duration',
       'ProductRelated', 'Administrative_Duration', 'BounceRates',
       'VisitorType_dummy', 'Month_dummy'],
      dtype='object')

6.2.7 PCA

A Análise de componente principal (Principal Component Analysis - PCA) é uma técnica de redução de dimensionalidade linear que pode ser utilizada para extrair informações de um espaço de alta dimensão projetando-as em um subespaço de dimensão inferior. Ele tenta preservar as partes essenciais que têm mais variação dos dados e remover as partes não essenciais com menos variação. As dimensões nada mais são do que recursos que representam os dados.

Uma coisa importante a se notar sobre o PCA é que é uma técnica de redução de dimensionalidade não supervisionada. Você pode agrupar os pontos de dados semelhantes com base na correlação de recursos entre eles sem qualquer supervisão (ou rótulos).

In [70]:
# Aplicando a técnica PCA, para criar 10 Componentes, a partir dos dados de treino e de teste.
trainFeaturesPCA, testFeaturesPCA =  utlpca.pcaTransform(train = trainFeatures, test = testFeatures)

6.2.8 RFE

RFE é um algoritmo de seleção de recurso do tipo wrapper. Isso significa que um algoritmo de aprendizado de máquina diferente é fornecido e usado no núcleo do método, é empacotado pelo RFE e usado para ajudar a selecionar recursos. Isso contrasta com as seleções de recursos com base em filtro que pontuam cada recurso e selecionam os recursos com a maior (ou menor) pontuação.

Tecnicamente, o RFE é um algoritmo de seleção de recursos no estilo wrapper que também usa a seleção de recursos com base em filtro internamente.

O RFE funciona procurando por um subconjunto de recursos começando com todos os recursos no conjunto de dados de treinamento e removendo com sucesso os recursos até que o número desejado permaneça.

Isso é obtido ajustando-se o algoritmo de aprendizado de máquina usado no núcleo do modelo, classificando os recursos por importância, descartando os recursos menos importantes e reajustando o modelo. Este processo é repetido até que um determinado número de recursos permaneça.

Os recursos são pontuados usando o modelo de aprendizado de máquina fornecido ou usando um método estatístico.

In [71]:
# Definindo qual conjunto de dados, já escalado, deve ser utilizado.
tFeatures = trainFeaturesMM

# Instanciando um objeto da classe RFE para selecionar as melhores variáveis preditoras, utilizando o algoritmo XGBClassifer.
rfe = RFE (
    estimator            = xgb.XGBClassifier(use_label_encoder=False,eval_metric='logloss'), 
    n_features_to_select = 9
)

# Capturando as melhores variáveis preditoras.
rfeFit = rfe.fit (
    X = tFeatures, 
    y = trainTarget
)
In [72]:
# Capturando o nome das variáveis preditoras.
bfRfe = tFeatures.columns[rfeFit.support_]

# Exibindo o nome das variáveis preditoras.
bfRfe
Out[72]:
Index(['Administrative', 'Informational', 'PageValues', 'SpecialDay_dummy',
       'Month_dummy', 'OperatingSystems_dummy', 'Browser_dummy',
       'TrafficType_dummy', 'VisitorType_dummy'],
      dtype='object')

7. Modelagem Preditiva

7.1 Criando modelos preditivos e avaliando suas Performances

Iremos criar modelos preditivos, com diferentes algoritmos, e com as Features em diferentes escalas. Também criaremos classificadores utilizando a técnica PCA. Por fim, selecionaremos os modelos que obtiveram as maiores acurácias.

In [73]:
# Treinando classificadores, a partir dos componentes criados pela técnica PCA.
resultsPCA = utlml.classifiersTraining (
    features = trainFeaturesPCA, 
    tTarget  = trainTarget
)

LR: 0.781981 (0.012697)
LDA: 0.801900 (0.015713)
KNN: 0.847504 (0.008883)
CART: 0.822446 (0.009032)
RF: 0.889289 (0.007204)
XGBoost: 0.879571 (0.007381)
In [74]:
# Plotando os scores, da acurácia dos classificadores treinados, em boxplots.
utlex.plotBoxplot(data = resultsPCA[0])

O algoritmo Random Forest, foi o que obteve a melhor acurácia, para o conjunto de componentes do PCA.

In [75]:
# Treinando classificadores, a partir da escala, e da técnica de Feature Selection utilizada.
resultsMM = utlml.classifiersTraining (
    features = trainFeaturesMM, 
    tTarget  = trainTarget
)

LR: 0.820434 (0.009555)
LDA: 0.797944 (0.013992)
KNN: 0.818768 (0.008568)
CART: 0.885888 (0.011999)
RF: 0.927118 (0.007546)
XGBoost: 0.931144 (0.006543)
In [76]:
# Plotando os scores, da acurácia dos classificadores treinados, em boxplots.
utlex.plotBoxplot(data = resultsMM[0])

O algoritmo XGBoost, foi o que obteve a melhor acurácia, para o conjunto dados transformados pelo algoritmo MinMaxScaler.

In [77]:
# Treinando classificadores, a partir da escala, e da técnica de Feature Selection utilizada.
resultsSS = utlml.classifiersTraining (
    features = trainFeaturesSS, 
    tTarget  = trainTarget
)

LR: 0.838619 (0.011206)
LDA: 0.797944 (0.013992)
KNN: 0.852850 (0.005457)
CART: 0.883945 (0.010742)
RF: 0.927326 (0.007762)
XGBoost: 0.931213 (0.006466)
In [78]:
# Plotando os scores, da acurácia dos classificadores treinados, em boxplots.
utlex.plotBoxplot(data = resultsSS[0])

O algoritmo XGBoost, foi o que obteve a melhor acurácia, para o conjunto dados transformados pelo algoritmo StandardScaler.

In [79]:
# Treinando classificadores, a partir da escala, e da técnica de Feature Selection utilizada.
resultsND = utlml.classifiersTraining (
    features = trainFeaturesNormDistribuition, 
    tTarget  = trainTarget
)

LR: 0.862913 (0.010765)
LDA: 0.859025 (0.009725)
KNN: 0.877075 (0.005952)
CART: 0.886097 (0.010607)
RF: 0.927603 (0.007120)
XGBoost: 0.931144 (0.006543)
In [80]:
# Plotando os scores, da acurácia dos classificadores treinados, em boxplots.
utlex.plotBoxplot(data = resultsND[0])

O algoritmo XGBoost, foi o que obteve a melhor acurácia, para o conjunto dados transformados pelo algoritmo Box-Cox.

In [81]:
# Treinando classificadores, a partir da escala, e da técnica de Feature Selection utilizada.
resultsNorm = utlml.classifiersTraining (
    features = trainFeaturesNormalized, 
    tTarget  = trainTarget
)

LR: 0.781426 (0.012561)
LDA: 0.797944 (0.013992)
KNN: 0.855765 (0.006737)
CART: 0.885610 (0.012637)
RF: 0.926562 (0.007016)
XGBoost: 0.931144 (0.006543)
In [82]:
# Plotando os scores, da acurácia dos classificadores treinados, em boxplots.
utlex.plotBoxplot(data = resultsNorm[0])

O algoritmo XGBoost, foi o que obteve a melhor acurácia, para o conjunto dados transformados pelo algoritmo Normalize.

7.2 Realizando previsões para o conjunto de dados de teste

7.2.1 Otimizando Classificadores

Agora que já testamos diferentes algoritmos com diversas escalas, iremos escolher os melhores modelos criados e otimizar seus parâmetros.

7.2.1.2 Algoritmo Random Forest

Iremos buscar pelos melhores parâmetros, para criar um modelo com o algoritmo Random Forest.

In [83]:
# Definindo qual conjunto de dados de treino, já escalado, deve ser utilizado e a sua variável target.
trainX = trainFeaturesNormDistribuition
trainY = trainTarget

# Definindo qual conjunto de dados de teste, já escalado, deve ser utilizado e a sua variável target.
testX = testFeaturesNormDistribuition
testY = testTarget

# Definindo os valores que devem ser testados, em cada um dos parâmetros do modelo especificado.
paramGrid = dict (
    n_estimators      = [100, 105, 110, 120, 130], 
    max_depth         = [None, 2, 4, 6],
    max_features      = ['auto', 'sqrt', 'log2'], 
    min_samples_split = [2, 5],
    min_samples_leaf  = [1, 2, 5]
)

# Criando uma instância da classe do modelo Random Forest.
model = RandomForestClassifier()

# Criando o grid, para fazer a busca dos melhores parâmetros para o modelo.
grid = GridSearchCV(estimator = model, param_grid = paramGrid, cv = 10, verbose = True, n_jobs = -1)

# Buscando pelos melhores parâmetros para o modelo.
grid.fit(trainX, trainY)

# Exibindo a configuração, do melhor modelo treinado.
print("\n" + "Melhores Parâmetros para o Modelo:" + "\n\n", grid.best_estimator_)

Fitting 10 folds for each of 360 candidates, totalling 3600 fits

Melhores Parâmetros para o Modelo:

 RandomForestClassifier(n_estimators=130)
In [84]:
# Criando o modelo, com a melhor configuração encontrada.
classifierRF = grid.best_estimator_

# Treinando o modelo com os dados de treino.
classifierRF.fit(X = trainX, y = trainY)
Out[84]:
RandomForestClassifier(n_estimators=130)
In [85]:
# Calculando a acurácia do modelo para o conjunto de dados de treino.
scoreTrainRF = accuracy_score(trainY, classifierRF.predict(trainX))

# Visualizando o resultado.
print('Acurácia para os dados de treino: ' + str(scoreTrainRF))

Acurácia para os dados de treino: 1.0
In [86]:
# Calculando a acurácia do modelo para o conjunto de dados de teste.
scoreTestRF = accuracy_score(testY, classifierRF.predict(testX))

# Visualizando o resultado.
print('Acurácia  para os dados de teste: ' + str(scoreTestRF))

Acurácia  para os dados de teste: 0.928582995951417
7.2.1.3 Algoritmo Xgboost

Iremos buscar pelos melhores parâmetros, para criar um modelo com algoritmo Xgboost.

In [87]:
# Definindo qual conjunto de dados de treino, já escalado, deve ser utilizado e a sua variável target.
trainX = trainFeaturesNormDistribuition
trainY = trainTarget

# Definindo qual conjunto de dados de teste, já escalado, deve ser utilizado e a sua variável target.
testX = testFeaturesNormDistribuition
testY = testTarget

# Definindo os valores que devem ser testados, em cada um dos parâmetros do modelo especificado.
paramGrid = dict (
    missing          = [np.nan],
    booster          = ['gbtree', 'gblinear'],
    max_depth        = [4, 5], 
    n_estimators     = [150, 200], 
    learning_rate    = [0.025, 0.03], 
    nthread          = [4], 
    subsample        = [0.95, 1], 
    colsample_bytree = [0.95, 1], 
    seed             = [100]    
)

# Criando uma instância da classe do modelo Xgboost.
model = xgb.XGBClassifier(use_label_encoder=False,eval_metric='logloss')

# Criando o grid, para fazer a busca dos melhores parâmetros para o modelo.
grid = GridSearchCV(estimator = model, param_grid = paramGrid, cv = 10, verbose = True, n_jobs = -1)

# Buscando pelos melhores parâmetros para o modelo.
grid.fit(trainX, trainY)

# Exibindo a configuração, do melhor modelo treinado.
print("\n" + "Melhores Parâmetros para o Modelo:" + "\n\n", grid.best_estimator_)

Fitting 10 folds for each of 64 candidates, totalling 640 fits

Melhores Parâmetros para o Modelo:

 XGBClassifier(base_score=0.5, booster='gbtree', colsample_bylevel=1,
              colsample_bynode=1, colsample_bytree=1, enable_categorical=False,
              eval_metric='logloss', gamma=0, gpu_id=-1, importance_type=None,
              interaction_constraints='', learning_rate=0.03, max_delta_step=0,
              max_depth=5, min_child_weight=1, missing=nan,
              monotone_constraints='()', n_estimators=200, n_jobs=4, nthread=4,
              num_parallel_tree=1, predictor='auto', random_state=100,
              reg_alpha=0, reg_lambda=1, scale_pos_weight=1, seed=100,
              subsample=1, tree_method='exact', use_label_encoder=False, ...)
In [88]:
# Criando o modelo, com a melhor configuração encontrada.
classifierXGB = grid.best_estimator_

# Treinando o modelo com os dados de treino.
classifierXGB.fit(X = trainX, y = trainY)
Out[88]:
XGBClassifier(base_score=0.5, booster='gbtree', colsample_bylevel=1,
              colsample_bynode=1, colsample_bytree=1, enable_categorical=False,
              eval_metric='logloss', gamma=0, gpu_id=-1, importance_type=None,
              interaction_constraints='', learning_rate=0.03, max_delta_step=0,
              max_depth=5, min_child_weight=1, missing=nan,
              monotone_constraints='()', n_estimators=200, n_jobs=4, nthread=4,
              num_parallel_tree=1, predictor='auto', random_state=100,
              reg_alpha=0, reg_lambda=1, scale_pos_weight=1, seed=100,
              subsample=1, tree_method='exact', use_label_encoder=False, ...)
In [89]:
# Calculando a acurácia do modelo para o conjunto de dados de treino.
scoreTrainXGB = accuracy_score(trainY, classifierXGB.predict(trainX))

# Visualizando o resultado.
print('Acurácia para os dados de treino: ' + str(scoreTrainXGB))

Acurácia para os dados de treino: 0.9316998681196641
In [90]:
# Calculando a acurácia do modelo para o conjunto de dados de teste.
scoreTestXGB = accuracy_score(testY, classifierXGB.predict(testX))

# Visualizando o resultado.
print('Acurácia  para os dados de teste: ' + str(scoreTestXGB))

Acurácia  para os dados de teste: 0.9212955465587045

7.2.2 Avaliando as métricas do melhor classificador para os dados de teste

O melhor classificador treinado, utiliza o algoritmo Random Forest com as features em distribuição normal. Salvaremos as configurações desse modelo em um arquivo .sav.

In [91]:
# Salvando o modelo preditivo especificado.
utlml.saveModel(name = 'classifierRF', model = classifierRF)

Modelo salvo!
In [92]:
# Carregando o modelo preditivo especificado.
classifierRF = utlml.loadModel(name = 'classifierRF')

Modelo carregado!

Para analisar melhor a performance do modelo, precisamos determinar os valores das probabilidades geradas nas previsões.

In [93]:
# Definindo qual conjunto de dados de treino, já escalado, deve ser utilizado e a sua variável target.
trainX = trainFeaturesNormDistribuition
testX  = testFeaturesNormDistribuition

# Realizando as predições das probabilidades, dos dados de treino e teste, para o modelo selecionado.
predTrainProb = classifierRF.predict_proba(trainX)[:,1]
predTestProb  = classifierRF.predict_proba(testX)[:,1]

Iremos binarizar as previsões, e os valores a serem previstos, dos conjuntos de dados de treino e teste.

In [94]:
# Definindo as classes positiva e negativa da variável target.
labelPositive = 'Yes'
labelNegative = 'No'

# Criando uma lista com as categorias das classes.
labels = [labelPositive, labelNegative]

# Convertendo dados da variável target, dos dados de treino, para utilizar as labels especificadas.
trainTargetLabels = [labelPositive if t == 1 else labelNegative for t in trainTarget]
trainPredLabels   = [labelPositive if t >= 0.5 else labelNegative for t in predTrainProb]

# Convertendo dados da variável target, dos dados de teste, para utilizar as labels especificadas.
testTargetLabels = [labelPositive if t == 1 else labelNegative for t in testTarget]
testPredLabels   = [labelPositive if t >= 0.5 else labelNegative for t in predTestProb]
In [95]:
# Criando uma Confusion Matrix para avaliar as previsões feitas para os dados de treino.
cm = utlml.confusionMatrix(yTrue = trainTargetLabels, yPred = trainPredLabels)

# Exibindo a Confusion Matrix.
cm
Out[95]:
Actual Yes No classError
Predicted
Yes 7211 0 0.0
No 0 7196 0.0

Podemos observar, que o modelo não apresenta erros para o conjunto de dados de treino. Isto é, o modelo pode ter aprendido demais e teremos que monitorá-lo constantemente em novos conjuntos de dados.

In [96]:
# Criando uma Confusion Matrix para avaliar as previsões feitas para os dados de teste.
cm = utlml.confusionMatrix(yTrue = testTargetLabels, yPred = testPredLabels)

# Exibindo a Confusion Matrix.
cm
Out[96]:
Actual Yes No classError
Predicted
Yes 2921 277 0.086617
No 159 2818 0.053409

Nos dados de teste, constatamos a ocorrência de falsos negativos, mas a proporção de falsos positivos é ligeiramente predominante.

In [97]:
# Plotando a Confusion Matrix dos dados de teste em um gráfico.
utlml.plotConfusionMatrix (
    data   = cm.drop(labels= 'classError', axis = 1), 
    labels = labels
)

Vamos calcular algumas estatísticas, baseadas nos resultados gerados pelo modelo, para os dados de teste.

In [98]:
# Calculando os scores de diferentes métricas, com base nas previsões geradas pelo modelo, para os dados de teste.
utlml.getClassificationMetrics(yTrue = testTargetLabels, predProb = predTestProb)
Out[98]:
Metrics
Accuracy 0.929393
95% CI for Accuracy (0.923003284479089, 0.9357821406221256)
Kappa 0.858798
Recall (Sensitivity) 0.948377
Specificity 0.910501
Pos Pred Value 0.913383
Neg Pred Value 0.946591
Precision 0.913383
Avarage Precision 0.89198
Prevalence 0.498785
Detection Rate 0.473036
Detection Prevalence 0.517895
F1 0.930551
ROC AUC 0.983064
Error 0.070607
95% CI for Error (0.0642178593778744, 0.07699671552091102)
Balanced Accuracy 0.929439
Positive Class Yes

Finalizamos esta análise, concluindo que o algoritmo Random Forest, gerou o modelo com a melhor acurácia. Os scores alcançados para os conjuntos de dados foram:

  • Dados de treino: 1.00000.
  • Dados de teste: 0.929393.

Entre em Contato!

Caso tenha alguma dúvida ou sugestão, entre em contato.

Github Linkedin E-mail Portfólio